Probabilitas

Abdullah Basuki R.,S.Si,M.T

http://www.abdullahbasuki.wordpress.com
abasoke@yahoo.com

Informatics Engineering
Dept
Trunojoyo University

Kuliah Statistika Dasar (TKC116)

Terminologi

Teori Probabilitas didasarkan pada konsep

dari suatu eksperimen random

Random fenomena/eksperimen dimana

keluaran individual tidak pasti tetapi ada
distribusi yg regular dari keluaran utk jumlah
pengulangan yang banyak

Probabilitas proporsi berapa kali suatu

keluaran spesifik akan muncul dlm suatu serie
pengulangan yang panjang dari suatu
eksperimen

Informatics
Engineering Dept

Apakah Probabiltas?

Frekuensi relatif jangka panjang

Jika melempar coin, frekuensi relatif dari head tidak

menentu utk 2, 5 atau 10 pelemparan
Jika pelemparan suatu coin dilakukan bbrp ribu kali,
frekuensi relatif tetap stabil

Probabilitas matematis adalah idealisasi dari apa yg

terjadi thd frekuensi relatif setelah pengulangan
sejumlah tak hingga eksperimen random

Informatics
Engineering Dept

Probabilitas dari Head

Probabilitas didasarkan pd frekuensi relatif

jangka panjang

Informatics
Engineering Dept

Model Probabilitas

Sample Space - set dari semua keluaran

(outcomes) yg mungkin dari eksperimen random
(S)

Event suatu keluaran (outcome) atau satu set

outcomes dari suatu eksperimen

Ukuran Probabilitas adalah suatu bilangan atau

fungsi yg memetakan dari events pada sample
space ke bilangan real antara 0 dan 1

Probabilitas dari semua outcomes yg mungkin

(yaitu sample space) harus sama dg 1

Informatics
Engineering Dept

Model Probabilitas

Contoh: Pelemparan (toss) suatu dadu

Sample Space: S ={1,2,3,4,5,6}

Event:

Ukuran Probabilitas:
P(A) = 0,5; P(B) = 0,5; P(D) = 1/6

A = {muncul angka genap},

B = {muncul angka ganjil},
D= {muncul angka 2}

Informatics
Engineering Dept

Aturan-Aturan Probabilitas

Probabilitas dari sembarang event P(A) hrs memenuhi

0 < P(A) < 1

Complement Rule = complement dari sembarang event A adalah

event A tdk terjadi
P(Ac) = 1 - P(A)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2,4}, Ac = {1,3,5,6}; P(A) = 1/3; P(Ac) = 1-1/3 = 2/3

Addition Rule = utk dua events A dan B yg terpisah/ disjoint (no

common outcomes)
P (A or B) = P(A) + P (B)
Contoh: Lempar suatu dadu: S = {1,2,3,4,5,6};
mis A = {2}, B = {1,3,5}; P(A or B) = P(A) + P(B) = 1/6 + 1/2
= 2/3

Informatics
Engineering Dept

Aturan-Aturan Probabilitas

Multiplication Rule = dua events A dan B adalah independent,

jika diketahui bhw salah satu terjadi/muncul tdk mengubah
probabilitas yg lain muncul
P (A and B) = P(A)*P(B)
Contoh: Lempar sepasang dadu
S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes
mis A ={dadu pertama 6} = {(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
mis B = {dadu kedua 1} = {(1,1),(2,1),(3,1),(4,1),(5,1),(6,1)}
Maka P(A) = 6/36 = 1/6;
P(B) = 6/36 = 1/6 dan
P(dadu pertama 6, dadu kedua 1) = P(A and B)
= 1/36 = P(A) P(B)
menunjukan independence
Informatics
Engineering Dept

Aturan-Aturan Probabilitas

Multiplication Rule
Contoh dari kasus Dependent: lempar sepasang dadu
S = {(1,1),(1,2),.(6,6)} 36 kemungkinan outcomes
mis A ={dadu pertama 6} =
{(6,1),(6,2),(6,3),(6,4),(6,5),(6,6)}
mis B = {jumlah dadu pertama & kedua =9} =
{(3,6),(4,5),(5,4),(6,3)}
Maka P(A) = 6/36 = 1/6;
P(B) = 4/36 = 1/9 dan
P(dadu pertama 6, jumlah = 9) = P(A and B) = 1/36
tdk sama P(A) P(B) = 1/54
menunjukan dependence

Informatics
Engineering Dept

Aturan-Aturan Probabilitas

Contoh: suatu web site memp tiga server A, B, dan C,

yg dipilih secara independent dg probabilitas:
P(A) = , P(B) = , P(C)= .
(a) Cari probabilitas A atau B dipilih
P(A or B) = + = 3/4
(b) Cari probabilitas A tdk dipilih
P(Ac) = 1 P(A) =
(c) Cari probabilitas server A dipilih dua kali
P(AA) = P(A)P(A) = 1/16
(d) Cari probabilitas urutan seleksi server ABCA
P(ABCA) = P(A)P(B)P(C)P(A) =
(1/4)(1/2)
(1/4)(1/4) = 1/128

Informatics
Engineering Dept

10

Conditional Probability

Utk dua event A dan B probabilitas dari event A

diberikan bhw event B telah terjadi dinyatakan:
P(A|B) dan ditentukan dg
P (A|B) = P(A and B)/P(B)
Contoh: Lempar satu dadu S = {1,2,3,4,5,6}.
mis A ={2}, B={bil genap} = {2,4,6},
P(A|B) = P(A and B)/P(B) = (1/6)/(1/2) = 1/3

Informatics
Engineering Dept

11

Bayes Rule

Utk dua event A dan B yg mempartisi sample space, yaitu

(A atau B) = S dan event ketiga C ditentukan di atas A
dan B

Contoh: Lempar sepasang dadu S = {(1,1) (1,2), .

(6,6)} 36 kemungkinan outcomes. Mis A ={jumlah
dadu 9 atau lebih besar},
A = {(6,3),(5,4), (4,5), (3,6), (6,4), (5,5), (4,6), (6,5),
(5,6), (6,6)}
B = Ac = {jumlah dadu 8 atau kurang} = {(1,1) , (1,2,)
.(6,2), (2,6)} --cat P(A) = 10/36 dan P(B) = 26/36
Informatics
Engineering Dept

12

Bayes Rule

Mis C event jumlah dari dadu adalah bil genap

{2,4,6,8,10,12}, P(C|A) =4/10 dan P(C|B) =
14/26

Informatics
Engineering Dept

13

Latihan Soal
1.

2.

Suatu kantong berisi empat bola putih dan tiga bola hitam
sedangkan kantong kedua berisi tiga bola putih dan lima bola
hitam. Satu bola diambil dari kantong pertama tanpa
melihatnya dan dimasukkan ke kantong kedua, berapakah
peluang mengambil sebuah bola hitam dari kantong kedua?
Peluang seorang lelaki yg telah kawin menonton suatu film seri
di tv adalah 0.4 dan peluang seorang wanita yg telah kawin
menonton film yg sama 0.5. peluang seorang lelaki menoton
film tsb bila istrinya menonton adalah 0.7. hitunglah
a.
b.
c.

Peluang sepasang suami istri menonton film tsb

Peluang seorang istri menonton film tsb bila suaminya menonton film
Peluang paling sedikit seorang dari sepasang suami istri menonton
film tsb

Informatics
Engineering Dept

14

Random Variables

Suatu random variable X adalah suatu variable

dimana harganya tergantung pd outcome dari
suatu eksperimen random didefinisikan pd
sample space S

Contoh: Mis X, bilangan jumlah dari head pd

pelemparan dua coin yg fair. Sample space S
dari eksperimen adalah:
S ={(t,t),(t,h),(h,t),(h,h)}
dimana t menunjukan tail dan h menunjukan
head

Informatics
Engineering Dept

15

Random Variables

Suatu random variable X dikarakteristikan oleh

salah satu:

probability density function (pdf): f(x)

cumulative density function (cdf):

Contoh: perhatikan random variable X, yg

merupakan jumlah head pd pelemparan dua coin

f(x) diberikan dg P{X = 0} = .25; P{X=1} = .5 ;

P{X=2} = .25
F(x) diberikan dg

Informatics
Engineering Dept

16

Probability Density Function

Formula matematis

Memperlihatkan semua
harga, X, & frekuensi, f(X)

f(X) adalah probability

density function (pdf)

Properties

Area di bawah kurva = 1

Mean ()
Standard Deviation ()

Informatics
Engineering Dept

17

Tipe-Tipe Random Variables

Suatu random variable X adalah suatu variable

dimana harganya tergantung pd outcome dari
suatu eksperimen random didefinisikan pd
sample space S

Jika S adalah terbatas (finite) atau dp dihitung

(countable) X adalah suatu discrete random
variable (mis., jumlah head pd pelemparan dua
coin)
Jika S adalah kontinyu X adalah suatu random
variable kontinyu (mis., waktu antar queries ke
suatu server database)

Informatics
Engineering Dept

18

Tipe-Tipe Random Variables

Jika X discrete random variables maka

Jika X continuous random variables maka

Informatics
Engineering Dept

19

Discrete Random Variables

Discrete Random Variables yg umum:

Bernoulli, Geometric, Binomial dan Poisson

Bernoulli memodelkan eksperimen spt toss

suatu coin

X adalah suatu indicator function

X = 1 sukses; X = 0 gagal

Spt coin toss dg probabilitas p mendpkan head, 1-p

mendpkan tail
Informatics
Engineering Dept

20

Discrete Random Variables

Geometric memodelkan jumlah percobaan X

sampai sukses pertama pd suatu deretan
percobaan Bernoulli trials
P{X = x} = f(x) = (1-p)x-1p;
dimana x = 1,2,3,
Mean = 1/p
Variance = (1-p)/p2
Sbg contoh, memodelkan jumlah tail yg terlihat
sblm head pertama pd suatu deretan coin tosses

Informatics
Engineering Dept

21

Discrete Random Variables

Binomial memodelkan jumlah sukses X pd n

percobaan/trials. Mis p menyatakan probabilitas
sukses pd 1 trial, probabilitas dari k sukses
diberikan dg

Mean = np, Variance = np(1-p)

Tabel pd textbook memp macam-macam harga dari
P(X = k)
Informatics
Engineering Dept

22

Contoh Continuous Random

Variable
Eksperimen

Random Variable

Harga Yg Mungkin

Berat mahasiswa ITB Berat

43.2, 78, Kg

Umur hidup battery

900, 875.9, jam

Jam

Lama panggilan
Lama panggilan
telepon
Waktu antar
Waktu antar
kedatangan paket ke
kedatangan
router

Informatics
Engineering Dept

3.2, 1,53, menit

0, 1.3, 2.78, det

23

Contoh Continuous Random

Variable

Informatics
Engineering Dept

24

Continuous Random Variable

Continuous Random Variables yg umum:

Exponential, Uniform, Normal

Exponential memodelkan waktu antar

kedatangan, lama waktu pelayanan (mis.,
waktu dari panggilan telepon), mis X suatu
exponential random variable dg mean a.

Informatics
Engineering Dept

25

Continuous Random Variable

Uniform memodelkan kasus equally likely.

Mis. X uniform random variable antara a dan b
yaitu X akan mempunyai harga antara a dan b
dengan kemungkinan equally likely

Informatics
Engineering Dept

26

Continuous Random Variable

Normal Normal random variable memodelkan

fenomena random alamiah utk jumlah yg besar.
Mis X suatu normal random variable

Standard Normal Z adalah kasus dimana:

Mean = 0, Variance = 1.

Informatics
Engineering Dept

27

Z Scores & Probability

Normal Distribution
Hubungan langsung antara persentase dan
probabilitas
Persentase dari kurva normal dp di- rephrased
sbg problem probabilitas

Informatics
Engineering Dept

28

Z Scores & Probability

Berapakah probabilitas
bhw pekerja pabrik yg
dipilih random akan
melaksanakan test
dibawah 81 seconds atau
diatas 75 seconds?

Informatics
Engineering Dept

Suatu konsultan
menyelidiki waktu
diperlukan pekerja pabrik
utk assemble suatu part
stlh mereka ditraining
Konsultan menentukan
bhw waktu dlm detik
terdistribusi normal dg
mean = 75 seconds
dan standard deviation
= 6 seconds.
P(X<x) = P(Z <z)
dimana z = (x- )/
29

P(75 < X < 81)

Informatics
Engineering Dept

30

P(75 < X < 81)

Informatics
Engineering Dept

31

Moments

Ekspektasi E[x] atau mean atau first moment

dari suatu random variable X di definisikan dg

Moment lebih tinggi didp dg mengganti x dg xn

Informatics
Engineering Dept

32

Variance, Mode, Quantile

Variance didefiniskan sbg

Mode adalah titik dimana f(x) adalah maximum

Quantile quantile dari X ditulis x adalah titik pd X

dimana F(x) =
Cat. 0,5 quantile disebut median dimana 50% harga
pd kedua sisi

Informatics
Engineering Dept

33

Aturan-Aturan untuk Random

Variables

Aturan utk Means

Suatu transformasi linier dari suatu random

variable menghasilkan suatu linear scaling dari
mean. Yaitu jika X adalah suatu random variable
dg mean X dan a dan b adalah konstanta maka
jika Y = aX + b mean dari Y diberikan oleh Y =
aX + b

Mean dari sum dari suatu set dari random

variables adalah sum dari individual mean. Yaitu
jikaf X dan Y adalah random variables maka X+Y
= X + Y

Informatics
Engineering Dept

34

Aturan-Aturan untuk Random

Variables

Aturan utk Variances

Suatu transformasi liniear dari suatu random

variable menghasilkan suatu squared scaling dari
variance. Yaitu jika X adalah suatu random
variable dg variance x2 dan a dan b adalah
konstanta maka jika Y = aX + b variance dari Y
diberikan oleh y2 = a2 x2

Variance dari sum dari suatu set dari independent

random variables adalah sum dari individual
variances. Yaitu jika X dan Y adalah random
variables maka x+y2 = x2 + y2

Informatics
Engineering Dept

35

Statistical Inference

Menggunakan teori probabilitas utk membuat

kesimpulan mengenai suatu populasi dari data
sampel

Tdk dp memperoleh data dari setiap anggota

populasi maka menguji suatu sampel random dari
populasi dan berdasarkan statistik dari sampel
menyimpulkan mengenai parameter dari populasi

Informatics
Engineering Dept

36

Statistical Inference

Statistical Inference: menggunakan statistik dari

suatu sampel random utk menyimpulkan mengenai
parameter dari suatu populasi

Sbg contoh menguji mean x dari sampel utk

menyimpulkan mean dari populasi
Perlu mengerti bagaimana perubahan statistik
dengan tiap sampel

Sample Distribution: distribusi probabilitas dari

suatu statistik (spt mean, standard deviation) dari
semua sampel yg mungkin dari ukuran yg sama
dari suatu populasi

Informatics
Engineering Dept

37

Distribusi Sampel dari

Counts dan Proportions

Perhatikan suatu sampel random tetap (fixed)

ukuran n dari observasi independen dari suatu
populasi. Tiap observasi jatuh kedalam satu dari dua
kategori, sukses atau gagal

Probabilitas suatu sukses (p) sama utk tiap

observasi
Probabilitas suatu gagal (1-p)

Mis X menyatakan count dari jumlah sukses dalam

suatu sampel ukuran n. X memp distribusi Binomial

Informatics
Engineering Dept

38

Distribusi Sampel dari

Counts dan Proportions

Ingat distribusi Binomial memodelkan jumlah

sukses X dlm n percobaan Bernoulli dan
memp.
Mean = np, Variance = np(1-p)

Dg n bertambah besar distribusi dari X

mendekati distribusi Normal dg mean dan
variance

Informatics
Engineering Dept

39

Distribusi Sampel dari

Counts dan Proportions

Utk estimasi probabilitas atau proportion dari suatu

populasi p kita uji sample proportion:

dimana X adalah jumlah dari sukses dlm suatu sampel

ukuran n
adalah estimasi unbiased dari population proportion p.
Jika ukuran sampel n besar,
mendekati suatu distribusi
Normal dg

Informatics
Engineering Dept

40

Sample Distribution of Means

Perhatikan suatu sampel random ukuran tetap n dari

suatu populasi dg mean dan standard deviation .
Distribusi dari sample mean x (jika dihasilkan dari
repeated random samples) memp. mean = dan
standard deviation

Jika populasi memp. distribusi Normal maka distribusi

dari sample mean adalah Normal

Dari Central Limit Theorem distribusi dari suatu sum

dari random variables mendekati distribusi Normal jika
jumlah terms dlm sum menjadi besar

Informatics
Engineering Dept

41

Central Limit Theorem

Informatics
Engineering Dept

42

Central Limit Theorem

Central limit theorem menyatakan bhw dg

bertambah besarnya ukuran sampel n, tdk
tergantung pd distribusi populasi, distribusi dari
sample mean mendekati distribusi Normal utk
ukuran sampel yg besar, dg mean = dan
standard deviation =

Informatics
Engineering Dept

43

Tipe-Tipe Statistical Inference

Confidence Intervals: mengestimasi harga suatu

parameter populasi dg suatu harga rentang

Berapakah mean IQ dari mahasiswa SIT ITB?

Berapakah proporsi dari switches pd suatu network

perlu perbaikan?
Hypothesis Testing: menilai bukti yg disediakan data
menyetujui suatu claim mengenai populasi

Apakah mean IQ dari mhs SIT ITB sama dg dg IQ

populasi secara umum?

Apakah proporsi switches yg memerlukan perbaikan

pd jaringan Telkom berbeda dg proporsi pd jaringan
Indosat?

Informatics
Engineering Dept

44

Point Estimation

Menyediakan harga tunggal/single value, mis.,

sample mean, sample proportion

Berdasarkan observasi dari 1 sample

Tdk memberikan informasi mengenai seberapa

dekat harga point estimate thd parameter populasi
yg tdk diketahui
Contoh: Sample mean X = 22.9 adalah point
estimate dari mean populasi yg tdk diketahui

Informatics
Engineering Dept

45

Interval Estimation

Menyediakan nilai interval (a, b) dimana parameter

populasi diprediksi berada

Interval berdasarkan observasi dari 1 sampel

Memberikan informasi mengenai seberapa dekat

dari estimasi ke parameter populasi yg tdk diketahui

Dp dinyatakan sbg

Atau dinyatakan dlm terms probabilitas, (confidence

level)

Informatics
Engineering Dept

46

Level of Confidence

Nilai adalah probabilitas bhw parameter tidak

berada dalam interval (a,b)

100(1 - ) % adalah confidence level dan adalah

kemungkinan bhw parameter populasi yg tdk
diketahui jatuh dlm interval (a,b)

Nilai tipikal adalah = .1, .05, .01 yg memberikan

confidence levels masing-masing 90%, 95%, dan
99%

Contoh: Mean populasi yg tdk diketahui terletak

antara 50 & 70 dg 95% confidence

Informatics
Engineering Dept

47

Element Kunci dari

Interval Estimation

Informatics
Engineering Dept

48

Confidence Interval Process

Informatics
Engineering Dept

49

Confidence Interval utk

Population Mean

Asumsi

Standard deviation populasi diketahui

Ukuran sampel n cukup besar shg hasil central

limit theorem dp diaplikasikan dan sample mean
distribution dp diperkirakan dg distribusi normal.
Aturan umum (Rule of thumb) utk ukuran sampel
adalah (n 30)

100(1-) % confidence interval pd sample

mean diberikan oleh

Informatics
Engineering Dept

50

Confidence Interval for

Population Mean

Catatan

x adalah sample mean.

Z(1-/2) adalah nilai standard normal value dimana
/2 adalah tail ke sebelah kanan dari nilai Z
adalah standard deviation populasi
n adalah ukuran sampel

Informatics
Engineering Dept

51

Contoh: Confidence Interval utk

Population Mean

Suatu retailer e-commerce spt Amazon.com, ingin

melakukan studi waktu rata-rata (mean time) yg
diperlukan utk memproses dan mengapalkan pesanan.
Suatu random sample dari waktu utk proses dan
mengapalkan 33 pesanan dikumpulkan dan dinyatakan
sbg n dlm jam di bawah. Dari data yg lalu standard
deviation dari populasi = 9
{23, 33, 14, 15, 42, 28, 33, 45, 23, 34, 39, 21, 36,
23, 34, 36, 25, 9, 11, 19, 35, 24, 31, 29, 16, 23, 34,
24, 38, 15, 13, 35, 28}

Tentukan 90% confidence interval dari rata-rata waktu

proses dan pengapalan pesanan.

sample mean x adalah = 26.9091, ukuran sampel n = 33

pd 90% confidence level Z(1-/2) = Z.95 = 1.645

Informatics
Engineering Dept

52

Contoh: Confidence Interval utk

Population Mean

Krnnya confidence interval adalah

menghasilkan

Cat margin of error kadang-kadang diekspresikan

sbg persentase dari estimasi. Utk contoh ecommerce:
margin of error % = 100 * (2.577 / 26.9091) =
9.57%
Juga confidence interval dp diekspresikan sbg
(24.332, 29.486) yg dp diinterpretasikan sbg
P(24.332 < < 29.486) = .9

Informatics
Engineering Dept

53

Confidence Intervals

Trade off antara confidence level 100(1-) % dan

margin of error

Lebih tinggi confidence lebih tinggi harga Z lebih

besar margin of error

Contoh proses dan pengiriman pemesanan ecommerce. Suatu 95% confidence interval memp. Z
= 1.96 (dimana 90% memp Z = 1.645) dan sbg
hasil

Informatics
Engineering Dept

54

Confidence Intervals

Margin of error juga tergantung pd ukuran sampel n,

lebih besar n makin kecil margin of error
Utk confidence interval pd population mean, margin of
error berkurang setengahnya utk tiap pertambahan faktor
4 pd ukuran sampel

Utk contoh e-commerce jika utk 90% confidence interval

ukuran sample adalah 4 kali lebih besar (yaitu 132) dg
mean dan standard deviation yg sama interval akan

Informatics
Engineering Dept

55

Confidence Intervals

Cat utk margin of error yg diinginkan m kita dp tentukan

ukuran sampel yg diperlukan n utk mencapai m. Kita
mendpkan

Utk contoh e-commerce pd 90% confidence level jika

diinginkan margin of error 3%, m.x = .03 x 26.9091= .
80727 dan selesaikan utk ukuran sampel n

Cat perlu 337-33= 304 tambahan observasi

Informatics
Engineering Dept

56

Confidence Interval utk

Proportion of population

Dari aproksimasi Normal pd distribusi Binomial

kita dapatkan 100(1- )% confidence interval
pd suatu population proportion sbg

dimana Z1- /2 adalah /2 critical point dari

standard distribusi Normal

Informatics
Engineering Dept

57

Confidence Interval utk

Proportion of population

Contoh: Perhatikan suatu link komunikasi satelit. Spy dp

mengestimasi packet error rate pd link kita transmit 5000
packets dan observasi bhw 23 diterima error. Tentukan
90% confidence interval pd packet error probability. Dari,
Z.95 = 1.645, n = 5000,

Krnnya 90% confidence interval utk packet error

probability diberikan oleh (.0030, .0062)

Informatics
Engineering Dept

58

Confidence Interval utk

Quantile of population

Quantile: Harga xq dimana CDF mempunyai harga q

disebut q-quantile atau 100-q-percentile

50-percentile (atau 0.5-quantile) disebut median

Posisi dari suatu harga q-quantile value dari suatu
sorted order list x1, x2, x3, , xn adalah

* dibulatkan ke integer terdekat

Informatics
Engineering Dept

59

Confidence Interval utk

Quantile of population

100(1-)% confidence interval pd suatu

harga populasi q-quantile xq adalah

dimana

Informatics
Engineering Dept

60

Confidence Interval utk

Quantile of population

Contoh: 45 titik data (n=45)

6, 6, 7, 8, 8.5, 9, 11, 13, 15, 24, 29, 30, 32, 34,
37, 39, 41, 42, 42, 43, 46, 47, 47.5, 49, 50, 52,
54, 55, 59, 62, 63, 66, 68, 71, 81, 83, 84, 88, 93,
97, 103, 108, 111, 116, 134
Cari 90% c.i. pd 0.5 quantile.
Posisi dari 0.5 quantile = (45-1)*0.5 + 1 = 23
x0.5 = 47.5

Krnnya, 90% c.i. pd x0.5 = (41, 59)

Informatics
Engineering Dept

61

Tugas (kumpulkan minggu depan)

1. Perhatikan N mobile phones dlm suatu cell. Tiap
phone mungkin berusaha utk transmit data pd suatu
kanal shared time slot. Tiap transmisi terjadi tepat pd
satu slot, dan tdk ada pencegahan collision digunakan
serta tiap phone akan transmit dlm suatu slot dg
probabilitas p, independen thd phone lainnya.
a). Berapakah probabilitas suatu time slot kosong,
yaitu tdk ada usaha dari sembarang phone?
b). Berapakah probabilitas suatu transmisi sukses,
yaitu secara tepat satu phone berusaha transmit.
c). Berapakah probabilitas collision pd suatu slot,
yaitu dua atau lebih phone berusaha transmit pd
slot yg sama?

Informatics
Engineering Dept

62

Tugas (cont.)
2.

Dlm suatu access switched data network, user bisa request suatu
koneksi utk di-set up utk suatu transfer data. Jika suatu call-setup
request tiba, suatu access network node akan menentukan apakah
menerima permintaan atau menolak berdasarkan ketersediaan
resources. Jika permintaan ditolak, user akan mengulang usaha
sampai 10 kali sblm menyerah. Asumsikan bhw tiap permintaan callsetup memp. probabilitas 0.02 utk diterima dan usaha permintaan
panggilan adalah independent.
a). Berapakah probabilitas suatu permintaan panggilan diberikan pd
usaha pertama?
b). Berapakah probabilitas bhw suatu panggilan pertama diterima
adalah usaha yg ke-empat?
c). Berapakah probabilitas bhw memerlukan lebih dari lima usaha
bagi user utk koneksi?
d). Berapakah probabilitas bhw user akhirnya menyerah?
e). Berapakah rata-rata jumlah usaha panggilan diperlukan utk
koneksi?

Informatics
Engineering Dept

63

Tugas (cont.)
3. Perhatikan waktu transaksi pd suatu aplikasi
web-based, dari 3000 transaksi terdistribusi
normal dg mean 66 sec dan standard deviation
3 sec. jika 80 sampel masing-masing terdiri
dari 25 transaksi didapat,
a). berapakah mean dan standard deviation yg
diharapkan sbg hasil dari mean dari
distribusi sampling?
b). Dalam berapa banyak sampel kita bisa
mengharapkan mean: (i) antara 64.8 dan
66.3 sec dan (ii) kurang dari 64.4 sec?
Informatics
Engineering Dept

64